文摘

林业资源发挥着不可替代的作用在解决气候变化的问题。森林经理之间找到一个平衡碳汇和森林产品,因此决策必须考虑许多方面的森林价值。本文澄清,森林碳汇主要受三个方面的影响:人类、气候、和nonclimatic物理因素,构造一个模型估算森林生态系统的固碳率根据森林的年龄和物流增长方程,并结合人类行为和气候影响因素进行全面修正碳封存的单位面积上的森林生态系统。模型计算森林的固碳率随着时间的推移,系统开发,结合DeepAR算法获得碳封存。然后,本文评估森林的各种价值观,将25森林价值评估影响因素划分为五个指标建立模型森林生态系统价值评估系统的应用程序在不同条件下森林价值评估。确定指标体系后,我们使用EWM-CVM索引集成到基于森林生态系统价值指数提出一个管理计划。和PSO-BP算法用于确定森林管理的过渡点,以优化森林的生态价值。

1。介绍

近年来,二氧化碳和其他温室气体的排放在生产生活的过程中急剧增加(1]。林业资源发挥着不可替代的作用在解决气候变化的问题。主要森林生态功能是吸收二氧化碳和释放氧气2- - - - - -6]。Th我s is conducive to reducing greenhouse gases in the atmosphere. However, if climate change is to be effectively addressed, carbon sequestration is needed. Forest management strategies with appropriate logging are conducive to carbon sequestration. For forest managers to find a balance between carbon sinks and forest products, decisions must therefore take into account many aspects of forest value.

摘要FCS模型基于经典逻辑方程的森林年龄和生物质开发探讨植被之间的碳循环,垃圾和土壤。为了考虑食草动物的影响、火和水侵蚀碳汇,结合分析结果,考虑58%的理想状态的结果,假设人类行为的模型排除了干扰和气候的影响。森林碳汇的主要方法之一,以减轻气候变化和森林,作为陆地生态系统的主体,是系统中最大的碳储层。森林碳汇也应对气候变化的最具成本效益的方法之一。森林固碳使用自然过程不需要高成本,同时保护生物多样性等生态效益,节约水,防止风和沙。

2。文献综述

在最近的几十年里,科学家已经进行了大量的研究气候变化及其影响。广泛的研究和多种研究方法表明,气候变化的影响是非常复杂的,影响几乎所有的自然和社会经济系统。气候变化的影响有一定的遗传性,可以反映在自然系统和传播给社会和经济系统(7]。

为了应对日益严重的全球气候变化情况下,政府间气候变化专门委员会呼吁国家减少碳排放,促进碳中立,努力实现零排放的二氧化碳。为了实现这一目标,除了大规模的实现可再生能源替代和开发节能和碳减排的潜力等技术从可再生能源制氢,它也需要大力发展碳捕获和储存技术(8- - - - - -14]。Th我s shows the role of “carbon sequestration” in addressing the impacts of climate change. The ability of carbon management in forest management plans to effectively manage carbon emissions led to the birth of the International Carbon Management Partnership, which sets guidelines for forest managers around the world.

的组成、气候、人口、利益和价值观的森林世界各地差异很大,不同的管理计划需要根据不同的情况制定。只有考虑各种因素,森林管理计划从而获得实用。因此,有必要建立一个决策模型来确定具体的森林管理计划,以解决气候变化的影响。

3所示。假设和符号

为了应对问题研究在这篇文章中,为了更好地建立模型而不影响模型的准确性,我们取得了以下假设:(i)的发展现状提出的状态是稳定的。突然变化可以忽略,因为他们的稀薄;(2)排除不可控因素对数据的影响,如火灾、行星对森林的影响,等等;(3)气候影响NPP变化可以通过RC估计位置的基础上在一个LVSA区;(iv)统计我们收集的网站是真正的和可靠的;(v)假设全球气候变化是一致的,温度和降水FCS模型的重要参数,但是,在不同的全球气候变化情况,估计可能含有高度的不确定性,这可能会导致森林碳储量估算的不确定性。同时,在本文中提到的缩写和定义如表所示1。

表1
符号。

4所示。森林固碳模型基于物流

4.1。森林植被在FCS模型

基于古典逻辑斯蒂方程的森林年龄和生物量、FCS模型建立(15]探索碳循环中植被、垃圾和土壤。考虑食草动物的影响、火和水侵蚀碳汇,我们使用的结果进行综合分析(16理想状态),认为58%的结果。我们假设这个模型不包括人类行为的干扰和气候的影响。森林开发、森林生物量逐渐达到相对平衡状态(17]。植被生物量的年增长率可以简单地定义为: 在哪里Bt森林植被生物量(Mg哈−1);V0是代表最高内在增长率,增长率在营养生长环境的限制,营养,或干扰;B马克斯是成熟的森林场景下的最大植被生物量(Mg哈−1);1˗Bt/ B马克斯代表当前的分数缺乏生物量的饱和水平;和t是森林的年龄(年)。Three key parameters were well defined or validated using the field data at a large scale [18]。

在这项研究中,我们认为80年的年龄成熟的森林和植被生物量数据收集的成熟森林从公共数据库。在成熟的森林植被生物量计算垫和地图使用:

在方程(6),的年平均气温是垫(°C),和地图的年平均降雨量(mm)。迈阿密模型认为垫和地图是关键因素,植被生产力。

dB迈阿密是一年一度的生产率估计的修改迈阿密模型(Mg哈−1年−1)以下方程:

4.2。FCS的土壤碳循环模型

森林土壤有机碳(SOC)水平是腐殖化的联合效应的结果和矿化过程(19]。当森林的因素相对稳定,腐殖化和矿化过程会平衡SOC水平,如图所示 在哪里Ct是SOC密度(Mg C哈−1),我t是一年一度的SOC的输入(Mg哈−1一个−1);

lt是垃圾内容(Mg哈−1);k1是垃圾分解系数;k2SOC分解率(是吗−1);和h衰减系数(0.3)。

在FCS的发展模型,我们使用了多源调查数据在过去的几十年中优化关键参数。

4.3。森林碳汇的人类和气候因素

净碳流从自然和混交林发表的联合国教科文组织如图1。空间差异在森林碳汇将完全归因于人类一次微分的影响气候和气候对森林碳汇的影响排除在外。我们使用净初级生产力(NPP)表达在陆地生态系统森林的固碳能力。我们的主要目标是评估多少碳实际上可以获得全球陆地植被更新人类孤独,不改变土地利用和土地覆盖或森林生物群落。我们使用公开可用的时间序列数据集分析碳差距。谷歌地球引擎的数据源(哇)20.]。数据预处理和分析也在啊计算平台上执行。有四组数据来源,即气候变量,物理环境变量(气候),国家生产力和世界人口。这些数据集,如果不是在500规模一致的决议重新取样500米。区域分割均匀自然环境分离气候对NPP变化的影响。区域分割是由over-laying地形(L)的层,植被类型(V),土壤类型(S)和树的年龄(A)特征获得均匀的区域,称为均匀LVSA区。像素在同一个LVSA区,气候环境的影响因素对内部NPP变化是均匀的。因此,任何NPP变化在一个LVSA区是由于不同的气候和人类的影响(21]。


图1
净碳来自自然和联合国教科文组织公布的混交林。

NPP数据集提供了一个森林的固碳的直接指标,并反映了森林碳汇的时空变异性(22]。我们假设迈阿密模型可以应用于测量从气候变化对NPP相对影响LVSA区。迈阿密模型是用来评估PNPP气候影响,其形式 在哪里t是一年一度的平均温度(°C),p年降水量(毫米), 对伍迪生态系统是一个转换系数(0.50和0.45草本),干物质转化成碳单元(gCm吗−2年−1)。

辨别各种气候影响NPP LVSA区,在那里PNPP(我,g)PNPP在我在 ,PNPP的意思是 所有位置的平均PNPP在吗 :

气候和人类的影响决定了整个LVSA NPP变化区域的特点是相同的地貌,森林覆盖和土壤属性。Climate-rectified NPP (NPPCR)位置我在 可以使用函数

NPPCR(我,g)纠正NPP的位置吗我在 气候影响NPP后删除。当空间的变化NPPCRLVSA内区观察到,这是由于人类的影响,即。土地管理实践的差异(lmp)。

这些最佳lmp可以被认为是在相似的环境条件下最优BLMPs LVSA区。窗口大小指定给定位置的本地居民区NPPCR值在这个窗口的位置与相同LVSA作为计算的输入NPPCR最后。决定窗口大小,分层随机选择的方法是采取样本5000点样本大小的植物的土地面积加权的每一个生物群落类型(23]。

从图可以看出2,横轴代表距离,纵轴代表封存的碳量,这提供了一个相对稳定的阶段时的距离20公里分段线性函数拟合。因此,碳封存在的位置我当前计算的区别NPPCR和NPPCR最后在20公里窗口环境均匀区:


图2
样品与NPP峰值CR 最后出现在每一本的距离。

的候选人BLMPs指的位置是决定distance-constrained局部窗口内的lmp拥有相同的环境上下文,但表现出更高层次的碳封存(即。,在那里NPPCRNPPCR最后)。

5。最优的森林价值评估的好处

5.1。索引选择
5.1.1。生态系统服务类型

他们可以分为八类:(X1, X2, X3, X4, X5, X6, X7,×8),森林水果产品,集水、固碳和氧释放,空气净化,森林休闲、生物多样性保护、水土保持、营养积累。生态系统服务的八大类型可分为如下:在价值评估结果有显著差异取决于生态系统服务的类型。

5.1.2中。植被区

有八个类型的植被区:(X9 X10, X11, X12 * 13, X14,连接,),冷温带针叶林、温带森林,混交林暖温带落叶丘陵山地森林、亚热带常绿丘陵山地森林、热带雨林(季节性),温带草原、温带沙漠和高山植被区。植被区确定森林生长的自然环境条件和影响生态系统服务的供给(24]。

5.1.3。区域特征

基本的增强森林生态效益是森林资源的持续增长。生态系统服务总价值的一定区域的价值的总和所有在该地区的生态系统提供的服务功能,随质量的地区,在该地区的生态系统类型。(1)森林面积(X17)。随着森林面积增加,森林生态系统服务的价值增加而增加森林覆盖。与此同时,生态系统服务的价值可能随着森林面积增加的边际效应。(2)森林丰富(X18)。内的其他森林的面积50公里从研究区域中心的半径。当周围的森林提供相同类型的生态系统服务为研究区域,即。,they are substitutes, the value of ecosystem services in the study area may decrease as the area of other forests increases; conversely, if they are complements, there may be a positive relationship between the value of ecosystem services in the study area and the area of other forests.(3)铁路长度(X19)。铁路内部的长度50公里从研究区域中心的半径。铁路的建设导致分裂的格局。因此,可能会有负面的生态系统服务的价值和铁路长度之间的关系。可能会有负面的生态系统服务的价值之间的关系和铁路的长度(25]。

5.1.4。社会经济条件

(1)人口(X20)。这意味着人的数量在一个区域的半径50公里从研究区域的中心。一方面,人口的增加意味着增加市场需求,促进森林生态系统的开发和使用;另一方面,人口和资源的不合理利用的浓度会增加环境破坏的风险,导致生态系统的衰落。因此,没有明确的先天的生态系统服务的价值和数量之间的关系的人。(2)人均国内生产总值(X21)。人均国内生产总值是反映了当地的经济和人民的生活水平。类似于人口规模的影响,经济发展能促进森林生态系统的使用和保护一方面,但也会导致资源的过度开采和生态退化。因此没有明确的先天的生态系统服务的价值之间的关系和人均国内生产总值。(3)就业的好处(将)。探索影响就业的价值通过就业的增长模式受益于森林资源,提高森林资源的可持续利用,维护生态平衡和社会经济可持续发展。

是5.1.5。间接价值

森林在区域层面的社会效益评价三个主要领域:历史的好处,科学和教育效益和文化效益(X23,X24,X25),科学和教育福利被认为在教育和科研方面,历史的好处被认为是著名的价值和古老的树木,和文化效益的评价标准主要是森林文化产品和森林实践。

5.2。数据归一化

在我们的研究中,所有索引数据首先经过无量纲处理。根据指标数据,我们采用阈值方法在线性无量纲方法使所有指标数据无量纲(26]。These 25 indicators can be classified into three types, cost-type index, benefit-type index, and moderate-type index. Among the three classes of indexes, the smaller the cost-type index is, the better the competitiveness degree of Ecosystems is. The benefit-type index is the opposite. The moderate-type index is better when it closer to a specific value. Due to the different contributions of the indexes, the three types of data are normalized in different ways [27]。(1) 成本类别索引。让 表示 指数的 ,它可以表示为 在哪里 是最可观的价值 , 的最小值 。(2) 利益指数。 (3) moderate-type指数。 在哪里 是最好的价值指标。

5.3。体重的指标
5.3.1。熵权法

上面定义的指标,我们进一步确定这些指标的权重,从而导致主要指标的结合。熵权法(EWM)[回忆28),我们开展标准化治疗,使每个变量最优和最差值交替后1和0,分别。评价指标是 ,在哪里 。

标准化后,我们介绍

根据self-information的概念和信息熵理论,我们可以计算信息熵 每个评价指标;因此我们可以获得

基于信息熵,我们将进一步计算各评价指标的权重我们之前定义:

5.3.2。变异系数法

此外,我们运用变异系数法体重这六个指标并将它们合并成一个综合指标。因此,我们将介绍应用变异系数方法简单。

变异系数法(CVM) [29日)利用信息从不同的索引和实现每一个指标通过计算重量,它显示了一个客观的方法给重量: 在哪里 指数的变异系数吗 ,也可以称为标准差系数,然后呢 意味着该指数的标准差 。和Z1 - 5分别意味着什么,之后,AC, SC和IV。

然后对我们每个索引的重量是:

通过这种方式,我们能够达到的重量每个索引表没有任何主观的印象2。

表2
指数权重对森林价值效益。

6。模型验证

6.1。csr的森林从2010年到2080年

从图可以看出3,不考虑极端事件和人类干扰,正如所料,更高的csr观察年轻森林从2010年到2050年,不论森林和土壤,现有的森林,和造林水平。然而,2050年到2080年明显下降的趋势。2045年和2055年之间的过渡时期的谎言。实际值(2010∼2021)和预测价值(2021∼2080)csr的森林从2010年到2080年。蓝线是由FCS的方法模型,和红色虚线是拟合曲线的置信区间0.95 [30.]。


图3
拟合曲线可用的数据随着时间的推移中获益。

模型使用长期构造数据集,可以适当配合森林生物量和森林年龄之间的关系,但更长期森林演替的数据集需要减少错误,考虑森林类型及其广泛分布的复杂性。在这里使用的FCS模型的建立,模型的一些关键参数校准根据森林土地调查数据。因此,这些代表本地参数使其更好地模拟空间C存储在森林在很大程度上31日]。

6.2。PSO-BP算法寻求转变点

粒子群算法可以执行一个粗略的搜索在全球范围得到一个初始解BP继电器,而BP神经网络算法可以用于梯度搜索与优化能力强的执行更仔细的搜索数据。这里过渡点可以由使用过渡区间中的迭代搜索算法得到最终结果。如果传统的梯度下降法是找到最优,该方法往往收敛慢和容易陷入局部最优32]。本文算法的组合优化方法,采用BP神经网络来改善它。BP神经网络的连接权值和阈值的被当作元素粒子群中粒子的位置向量X,然后是梯度下降法的BP网络用于相反的粒子群优化方法来优化网络的连接权值和阈值。该方法的输出误差主要来自个人传播渠道之间的权重。

激活函数选择这个模型是乙状结肠函数,给出的

网是由激活表达

每一层的神经元的输入和输出计算如下:

每个粒子的速度在训练过程中不断更新并判断是否更新速度大于最大速度,如果大于最大速度,更新的速度最大速度的值,否则,它保持不变。类似地,每个粒子的位置更新。

在前面的计算实际输出,使用实际产出和期望值可以计算:

计算每个粒子的适应度值: 在哪里nt训练样本的数量;O智商和T智商是实际的和预期的输出网络的网络权值和阈值下由训练样本在第i个粒子的位置,分别。

计算的全球最小的适应值粒子群;如果当前的迭代次数达到最大迭代次数,然后迭代停止;否则,计算个体极值和全局极值每个粒子的位置,并继续更新粒子的速度和位置。最后,网络权值和阈值由全球领先地位的输出(33]。

现在训练的BP神经网络模型可以只输出归一化数据,为了得到真实的数据,您可以使用函数mapminmax,公式如下:

PSO-BP算法在本文中多次调试达到最适合的造型方法和减少错误。最后的训练结果图4。


图4
PSO-BP算法比较的真实值和预测值。

若干次迭代后,最小均方误差达到了MSE = 5.0839 e-08,阴谋和最佳性能验证,如图5。


图5
PSO-BP算法最佳性能验证。
6.3。一个简单的例子:Salonga国家森林公园

Salonga国家公园(34),位于扎伊尔自然保护区,位于非洲中部平原和广泛占地面积36000平方公里。它位于海拔200 - 500米的海拔。成立于1970年,以保护赤道森林环境,它是世界上最大的森林公园之一。它分为两个主要领域,北部和南部,位于世界级管理办公室。公园里有各种各样的动植物,和大多数Salunga国家公园覆盖着赤道森林,森林的组成,根据地形变化。森林主要生长在沼泽,河边和陆地。河流之间的土地几乎完全覆盖着半落叶森林,在河岸早期或short-growing植物覆盖着。北部地区是茂密的草地(而不是大草原),涵盖了整个公园的面积的0.5%。

标准(1):Salonga国家公园很少中非保存非常完整的生态群落。它还包括广泛的沼泽和森林走廊区域。

标准(2):Salonga国家公园的植物和动物是生物进化的一个例子和生命形式的适应复杂的赤道雨林环境。公园的规模保证持续进化的物种和生物群落的可能性在一个相对安静的森林。

6.3.1。建立的过渡点

由于上述特性的变化特别森林包括它的位置,我们收获纳入其管理计划,和每个神经元隐层如下:

从图可以看出6的碳封存,在2049.22中,当Salonga国家森林公园达到csr的顶峰,不考虑foresty生态系统服务的项目不是一个适当的环境中实现由于损坏foresty生态环境超出其能力。


图6
碳封存的过渡点的确定系统的情况。

结果,效率逐渐降低和收益随时间迅速减少。在2050.87中,两条曲线相交,说明foresty生态成本服务的收益成本是否等效。之后,带来的好处foresty生态服务应该大于带来的好处。达到2054.18时,不考虑服务成本将导致生态环境的破坏严重影响项目的操作,所以关于森林的成本效益达到0。

再。DeepAR碳封存的基于模型的预测

DeepAR方法基于深度学习可以很容易地考虑额外的一维时间序列本身特性,及其预测目标的概率分布值在每个时间步采取的系列。这个问题,特定场景的概率比单点预测的预测更有意义。DeepAR算法可能导致记忆缺失的时间系列,未能捕获信息长时间和季节。因此本文结合关注机制在输入部分,使用的数据作为一个特性: 在哪里 是一个参数的模型及其价值决定了模型的准确性。通过深度学习相关性属性在不同的时间序列递归神经网络,使用多个或多个目标数字提高总体预测精度。

从图可以看出7上限和下限的碳封存100多年的森林,DeepAR预测的方法,包括8.67和6.85热解色谱,分别将适度轮换计划纳入Salonga后国家森林公园管理系统。


图7
预测不同森林管理计划的碳封存。
6.3.3。结果验证

经过若干次迭代的训练、验证和测试的算法,基于粒子群算法的神经网络模型最终聚集到最佳性能验证状态,和培训的相关系数图,验证,测试,和最终的总训练神经网络的结果如下所示。

图8表明训练、验证、测试和最终的总相关系数块周围的神经网络都是0.9999,表明该模型符合理想。FCS模型的过渡点可以确定使用这个粒子群算法最终的预测神经网络(35,36]。


图8
培训、验证、测试和最终的总相关系数图。

7所示。结论

本文澄清,森林碳汇主要受三个方面的影响:人类、气候、和nonclimatic物理因素,构造一个模型估算森林生态系统的固碳率根据森林的年龄和物流增长方程,并结合人类行为和气候影响因素进行全面修正碳封存的单位面积上的森林生态系统。模型计算森林的固碳率随着时间的推移,系统开发,结合DeepAR算法获得森林固碳的模型。然后,本文评估森林的各种价值观,将25森林价值评估影响因素划分为五个指标建立模型森林生态系统价值评估系统的应用程序在不同条件下森林价值评估。确定指标体系后,我们使用EWM-CVM索引集成到基于森林生态系统价值指数。而森林生态系统的成本在很大程度上取决于该地区的实际大小,模型的评价指标最高,当系统的受益比例最高,这是作为有效面积的森林提出一个管理计划(37,38]。过渡点的时候森林管理成本和森林碳汇价值达到平衡。本文使用PSO-BP算法来确定过渡的森林管理计划。

数据可用性

本文中的数据来自问题E的2022美国大学生数学建模竞赛。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由教育部门的教学与研究基金项目的安徽(2020 jyxm0017),“一流的课程”,安徽财经大学(acylkc202008)教学与研究基金项目的安徽财经大学(acxkjs2021005, acyljc2021002, acjyyb2020011)。